Повышение эффективности управления функциональными резервами в условиях цифровой трансформации
Махошева С.А.1
, Галачиева С.В.2, Кушхов А.П.3, Иллизаров Д.Л.
1 Институт информатики и проблем регионального управления - филиал ФГБНУ «Федеральный научный центр «Кабардино-Балкарский научный центр Российской академии наук»
2 Северо-Кавказский горно-металлургический институт (государственный технологический университет)
3 Кабардино-Балкарский государственный университет им. Х.М. Бербекова
Скачать PDF | Загрузок: 3
Статья в журнале
Экономика Центральной Азии (РИНЦ, ВАК)
опубликовать статью | оформить подписку
Том 8, Номер 4 (Октябрь-декабрь 2024)
Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=80548947
Аннотация:
Современные промышленные предприятия сталкиваются с необходимостью оптимизации управления ресурсами в условиях цифровой трансформации и высокой рыночной конкуренции. В данной статье рассматриваются ключевые направления повышения эффективности использования функциональных резервов, включая внедрение цифровых технологий, предиктивную аналитику и автоматизированные системы управления. Особое внимание уделено применению искусственного интеллекта, цифровых двойников и платформ управления запасами для минимизации издержек и повышения гибкости производства. Проведен сравнительный анализ эффективности различных инструментов стратегического управления ресурсами, основанный на данных исследований и практических кейсах. В результате установлено, что интеграция интеллектуальных систем в производственные и логистические процессы позволяет значительно сократить расходы и повысить точность прогнозирования. В статье также обсуждаются перспективные направления дальнейшего развития стратегий управления резервами, направленных на адаптацию к изменяющимся рыночным условиям. Полученные выводы и рекомендации могут быть использованы предприятиями для разработки более эффективных стратегий управления ресурсами.
Ключевые слова: функциональные резервы, цифровая трансформация, предиктивная аналитика, автоматизированные системы управления, цифровые двойники, оптимизация ресурсов
JEL-классификация: L80, O14, P23
Источники:
2. Братарчук Т.В., Гладышев А.Г., Лукичев К.Е., Данилькевич М.А., Комов В.Э. Разработка и внедрение цифровых двойников для оптимизации и устойчивого развития угольной промышленности России // Уголь. – 2024. – № 11(1186). – c. 108-116. – doi: 10.18796/0041-5790-2024-11-108-116.
3. Иванов Г.Н., Полоцкий Ю.И. Процессный подход в управлении качеством. , 2011.
4. Кинг У., Клипланд Д. Стратегическое планирование и хозяйственная политика. - М.: ЮНИТИ, 2012.
5. Ламбен Ж.-Ж. Стратегический маркетинг. - СПб.: Питер, 2012.
6. Никитин А. Цифровые двойники в промышленности и не только. Хабр. [Электронный ресурс]. URL: https://habr.com/ru/articles/728556/ (дата обращения: 20.01.2025).
7. Стельмах С. Цифровые двойники в промышленности: три часто задаваемых вопроса. IT Week. [Электронный ресурс]. URL: https://www.itweek.ru/digitalization/article/detail.php?ID=222611 (дата обращения: 24.02.2024).
8. Accenture. AI and Machine Learning in Enterprise Resource Planning. – Accenture Insights. - 2023
9. ARC Advisory Group. Digital Twin Market Analysis and Forecast 2025. – ARC Report. - 2023
10. Brown R., White P. Optimizing Industrial Operations with Digital Twins. – Oxford University Press. - 2021
11. Deloitte. Digital Twins in Manufacturing: Driving Efficiency through Predictive Analytics. – Deloitte Insights. - 2023
12. DHL. AI and Big Data in Logistics. – DHL Research Report. - 2023
13. Top Supply Chain Technology Trends for 2024. Gartner. [Электронный ресурс]. URL: https://www.gartner.com/en/insights/supply-chain (дата обращения: 26.02.2025).
14. The Role of Digital Twins in Industrial Optimization. General Electric. [Электронный ресурс]. URL: https://www.ge.com/digital/applications/digital-twin (дата обращения: 26.02.2025).
15. Gurtuev A., Derkach E., Makhosheva S., Ivanov Z. Bayesian approach to investment in innovation projects with the presence of fake innovators // Heliyon. – 2020. – № 11. – p. e05603. – doi: 10.1016/j.heliyon.2020.e05603.
16. Harvard Business Review. Smart Supply Chains: The Role of Digital Twins. – HBR. - 2023
17. Planning Analytics: AI-Driven Forecasting and Decision Making. Ibm. [Электронный ресурс]. URL: https://www.ibm.com/planning-analytics (дата обращения: 25.02.2025).
18. Johnson C., Lee H. Supply Chain 4.0: The Role of AI and Predictive Analytics. - Hoboken, New Jersey: Wiley, 2022.
19. Johnson K., Smith M. Advanced Simulation Strategies. - New York: Springer, 2022.
20. Lee I. Digital Supply Chain Transformation: A Framework for the Future. - United Kingdom: Routledge, 2023.
21. Lee J., Zhang T. Urban Planning and Digital Twins. - Cambridge: Cambridge University Press, 2023.
22. McKinsey & Co. The Future of Digital Twins in Logistics. – McKinsey Report. - 2023
23. McKinsey & Company. The AI-Driven Future of Manufacturing. – McKinsey Digital Report. - 2024
24. Dynamics 365 Supply Chain Management Overview. Microsoft. [Электронный ресурс]. URL: https://dynamics.microsoft.com/en-us/supply-chain-management/ (дата обращения: 26.02.2025).
25. Oracle Demand Management Cloud: AI-Powered Supply Chain Optimization. Oracle. [Электронный ресурс]. URL: https://www.oracle.com/supply-chain/demand-management/ (дата обращения: 25.02.2025).
26. PwC. Predictive Analytics in Supply Chain Optimization. – PwC Report. - 2022
27. SAP Integrated Business Planning for Supply Chain. Sap. [Электронный ресурс]. URL: https://www.sap.com/products/scm/ibp.html (дата обращения: 24.02.2025).
28. Industry 4.0 and Smart Manufacturing. Siemens. [Электронный ресурс]. URL: https://www.siemens.com/global/en/industries/digital-enterprise.html (дата обращения: 26.02.2025).
29. Simcenter: Digital Twins for Industrial Process Optimization. Siemens. [Электронный ресурс]. URL: https://www.plm.automation.siemens.com/global/en/products/simcenter/ (дата обращения: 25.02.2025).
30. World Economic Forum. The Future of Industrial Digitalization. – WEF Report. - 2024
Страница обновлена: 04.04.2025 в 22:22:08